CN112116006A - 一种基于对偶空间最优的水声目标分类方法 - Google Patents
一种基于对偶空间最优的水声目标分类方法 Download PDFInfo
- Publication number
- CN112116006A CN112116006A CN202010987968.3A CN202010987968A CN112116006A CN 112116006 A CN112116006 A CN 112116006A CN 202010987968 A CN202010987968 A CN 202010987968A CN 112116006 A CN112116006 A CN 112116006A
- Authority
- CN
- China
- Prior art keywords
- hyperplane
- classification
- dual
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于对偶空间最优的水声目标分类方法,所述分类方法包括:通过支持向量机分类器对两类水下物体进行超平面分类并训练样本点到超平面的间隔;将原问题转换为对偶问题,并采用拉格朗日对偶空间和KKT约束条件联合求取最优值。本发明的优点在于:识别率整体上更优于随机森林分类器,验证了使用对偶空间法的支持向量机在水下目标智能识别当中有着广阔的前景。在求解支持向量机最优分类超平面的过程中,利用拉格朗日空间对偶性求得二次目标函数最优解,从而求解得到最优分类超平面。在线性可分的约束条件下,可以使支持向量机的分类识别率达到最优。
Description
技术领域
本发明涉及水声目标智能识别技术领域,尤其涉及一种基于对偶空间最优的水声目标分类方法。
背景技术
水中目标智能识别技术主要被应用在军事入侵监测,海底资源开发,鱼类的定位和保护等领域。由于水中自身环境的复杂性(如声学介质约束及异质性)、识别目标的多样化以及水中目标信号难以获取(如军事舰艇等敏感装备数据),导致水中目标智能识别遇到的困难要远远高于其他对象识别。水声目标识别的主要研究方向是基于水声学信号和信息处理理论的统计识别法。支持向量机方法(SVM)可以有效地实现小样本水声信号的识别,在测试样本有限的情况下,支持向量机是性能最稳定有效的方法。
在水声识别领域,有许多专家学者投入了大量研究,杨宏晖等提出了利用支持向量机和遗传算法相结合提取水下目标的特征,这种方法能够在训练数据集较少的情况下,达到理想的识别率;史广智等提出了一种基于子类划分的支持向量机方法,该方法以子类中心计算训练样本的惩罚度,实现对两类舰艇的识别;在声学信号识别中,谢湘等提出了一种基于Gammatone滤波器的听觉谱残差网络,证明了婴儿的啼哭声能够直观的反映到声学信号中,并能利用这种理论进行声音信号的识别分类。张小恒等提出了基于语音卷积稀疏迁移学习和并行优选的帕金森病分类算法,为了解决语音数据分析的实验样本少的问题,从降低矩阵维度和扩充样本序列两个方面着手,提出了一种PD分类算法,该方法有利于提取PD语音数据的高层特征,迁移了学习也有利于提高算法性能。张其进等给出了基于混沌特性的语音信号分类算法,该算法借助混沌特性中的相空间重构为基础,分别采用互信息法求取延迟时间,然后研究了各类声信号的分布特点,并对其进行分类。
目前对于水声识别领域的研究主要侧重如何降低水声信号的特征提取时间耗费或者利用各种辅助手段和支持向量机混合,从而提高识别率,降低识别的时间成本;但是支持向量机本身的性能对水声识别也有很大的影响,如果不考虑支持向量机本身的性能将很难提高识别率。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于对偶空间最优的水声目标分类方法,解决了现有研究分析中没有考虑支持向量机本身性能而存在的不足。
本发明的目的通过以下技术方案来实现:一种基于对偶空间最优的水声目标分类方法,所述分类方法包括:
通过支持向量机分类器对两类水下物体进行超平面分类并训练样本点到超平面的间隔;
将原问题转换为对偶问题,并采用拉格朗日对偶空间和KKT约束条件联合求取最优值。
进一步地,所述训练样本点到超平面的间隔包括:
进一步地,所述将原问题转换为对偶问题,并采用拉格朗日对偶空间和KKT约束条件联合求取最优值包括:
通过对无约束问题函数进行处理,以寻求最优值的下界,最终求出最优化的分类超平面以及支持向量机的核函数。
进一步地,所述通过对无约束问题函数进行处理,以寻求最优值的下界,最终求出最优化的分类超平面以及支持向量机的核函数包括:
本发明具有以下优点:一种基于对偶空间最优的水声目标分类方法的识别率整体上更优于随机森林分类器,验证了使用对偶空间法的支持向量机在水下目标智能识别当中有着广阔的前景。在求解支持向量机最优分类超平面的过程中,利用拉格朗日空间对偶性求得二次目标函数最优解,从而求解得到最优分类超平面。在线性可分的约束条件下,可以使支持向量机的分类识别率达到最优。
附图说明
图1为本发明支持向量机分类器下两类水下物体的超平面分类示意图;
图3为水下金属圆柱和石头两类声呐信号的频谱图;
图4为求解对偶空间下的支持向量机和随机森林算法的识别率比较示意图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的保护范围不局限于以下所述。
本发明涉及一种基于对偶空间最优的水声目标分类方法,其具体包括以下内容:
如图1所示,考虑水声样本集合为S={(x,di)|x∈Rn,di∈{1,-1},i=1,2,…,n}表示水下目标物体的特征集。其中n为水声特征空间维度,同时规定x属于金属圆柱时,di为1,当x属于岩石时,di为-1。
采用支持向量方法将水下两类物体分类,最主要的就是要找到一个超平面,能够将两类水下物体最大限度的分开,得到:
wTx+b=0
其中w为可以调整的系数向量,b为偏移向量。则根据支持向量机(SVM)原理可以将线性可分的概念用以下公式描述出来:
di(wTx+b)=1
根据平面几何理论,在超平面确定的条件下,|wTx+b|表示点x到分类平面的距离,这个距离能够反映出训练样本点的所属分类。根据公式和di(wTx+b)=1的定义,能够计算出|wTx+b|的数值,也就是x到分类平面的函数间隔:
其中||w||为w下的二阶范数1,在||w||恒定的情况下,g(x)的绝对值反映了几何间隔的大小,我们定义g(x)为函数间隔。根据公式可知,超平面方程的系数||w||和函数间隔g(x)可以同比例放大和缩小,但并不会改变超平面本身的大小和距离,因此函数间隔g(x)的大小会随着方程的系数||w||的改变,变得并不确定,从而导致分类超平面并不一定为最优值,为了使支持向量机分类器分类的水声物体的性能更好,我们需要找出超平面的几何间隔最优化,如图2所示,最终使水声物体数据集离分类超平面最远。
在寻找两类水下水体分类超平面的优化问题时,约束条件是必须被纳入到分类器中的,对于约束条件的优化问题,可以使用拉格朗日对偶空间和KKT条件联合求取最优值。根据求偏导数理论可知,这种求最优超平面方法所得到的结果只是必要条件,当且仅当拉格朗日函数是凸函数的情况下,才能保证所求得到结果是充分必要条件。我们定义了如下拉格朗日对偶空间法问题以及KKT条件:
g(x)≤0,hi(x)=0,i=1,2,…,n
其中hi(x)表示利用拉格朗日对偶法得出最优值所需要的必要条件,即KKT条件。
(wTx+b)≥1,i=1,2,…,n
上述带约束条件的二次优化目标函数能够保证收敛于全局最优解,对式中的KTT约束条件最优问题,考虑在其拉格朗日对偶空间求解,即将式中的约束转化为一个无约束问题,得到函数:
得到这个形式以后,我们就可以将一系列的KKT约束条件融合到一个函数L(w,b,λi)里面,由于是二次目标函数,而且hi(x)是线性的KKT约束,所以就转化成了求二次最优解的问题。虽然可以使用QP(QuadraticProgramming)的优化包求解二次最优解问题,但是的特殊结构,通常采用拉格朗日对偶空间优化法,从而可以显著降低求二次最优解的时间耗费。
可求得一个仅存在自变量λi的关于(w,b)的最优值,求关于拉格朗日对偶空间最优问题就可以转化成求λi的极大值问题,如下式所示:
为验证对偶空间最优的支持向量机问题,本发明采用由加利福尼亚大学圣迪格分校的Terry Sejnowski等提供的两类声呐数据集进行实验。在水声目标智能分类过程中,随机选择80组训练数据集作为输入。本次实验所用到的支持向量机分类器被运行在Matlab上来仿真测试,而随机森林算法被用在Python上来进行实现,所有的算法将在可以承受的时间内被验证。
如图3所示,数据集“sonar”包含111种金属圆柱模式,这些模式是以各种角度和条件从金属圆柱体上反射的声纳信号而获得的,还包含从相似条件下获得的97中“岩石”模式,共计208个实验数据集。反射的声纳信号是线性调频。数据集包含从不同长宽比或者角度中获取的水声信号,其中圆柱的跨度为90度,岩石的跨度为180度。
每个模式是一组60个数字,范围在0.0到1.0之间。每个数字表示在特定时间段内积分频段的能量。因为这些频率在线性调频期间会出现传输延迟,所以较高频率的积分频段会较晚出现。
如果类别是岩石,则与每个记录关联的标签以字母“R”作为标记,对应的di=1,如果是金属圆柱体,则标记为字母“M”,对应的di=-1。标签中的数字按长宽比的高低顺序排列,但它们不直接对角度进行编码。
随机森林分类器是将基分类器的训练结果进行综合分析并生成若干个训练集[16]。然后,每个训练集构造一颗决策树,在节点进行分裂的时候,随机抽取一部分特征使得指标(如信息增益)最大,在抽到的特征中间找到最优解,应用于节点,进行再次分裂;下表利用随机森林方法对水声数据集进行分类的识别率。
表1随机森林算法求得的水声信号正确识别率
树的数量 | 测试数据平均识别率(%) |
1 | 60.0 |
3 | 72.5 |
5 | 81.0 |
7 | 76.0 |
10 | 80.5 |
本实验采用解对偶空间的支持向量机和随机森林算法的性能进行比较,其中支持向量机实验采用循环10次求得的识别率变化趋势,随机森林算法分别采用1棵树至10棵树进行实验求平均识别率,如下表2所示:
表2两类分类器正确识别率比较
从总体样本库中选择剩余的128个测试样本进行分类识别。从图4中可以看出两类分类器在10次分类下的识别率,支持向量机的分类识别率整体优于随机森林的分类识别率。
本发明在实验过程中可以看出支持向量机分类器的识别率整体上更优于随机森林分类器,验证了使用对偶空间法的支持向量机在水下目标智能识别当中有着广阔的前景。在求解支持向量机最优分类超平面的过程中,利用拉格朗日空间对偶性求得二次目标函数最优解,从而求解得到最优分类超平面。在线性可分的约束条件下,可以使支持向量机的分类识别率达到最优。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于对偶空间最优的水声目标分类方法,其特征在于:所述分类方法包括:
通过支持向量机分类器对两类水下物体进行超平面分类并训练样本点到超平面的间隔;
将原问题转换为对偶问题,并采用拉格朗日对偶空间和KKT约束条件联合求取最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987968.3A CN112116006A (zh) | 2020-09-18 | 2020-09-18 | 一种基于对偶空间最优的水声目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987968.3A CN112116006A (zh) | 2020-09-18 | 2020-09-18 | 一种基于对偶空间最优的水声目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116006A true CN112116006A (zh) | 2020-12-22 |
Family
ID=73800782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987968.3A Pending CN112116006A (zh) | 2020-09-18 | 2020-09-18 | 一种基于对偶空间最优的水声目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704475A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于深度学习的文本分类方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
US20160171302A1 (en) * | 2014-12-12 | 2016-06-16 | Kristin Lavigne | System and method for managing water |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
-
2020
- 2020-09-18 CN CN202010987968.3A patent/CN112116006A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
US20160171302A1 (en) * | 2014-12-12 | 2016-06-16 | Kristin Lavigne | System and method for managing water |
CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
于妮娜: "《基于支持向量机的水雷目标识别研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
司守奎等: "《数学建模算法与应用》", 31 May 2015, 国防工业出版社 * |
徐光柱等: "《实用性目标检测与跟踪算法原理与应用》", 30 April 2015, 国防工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704475A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 基于深度学习的文本分类方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
CN106371610B (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
US20060058983A1 (en) | Signal separation method, signal separation device, signal separation program and recording medium | |
CN112910578B (zh) | 一种针对毫米波3d mimo信道的路径参数提取方法 | |
JP2007524860A (ja) | ブラインド音源分離のハイブリッド最小平均2乗誤差の行列ペンシル分離の重み用のシステム及び方法 | |
CN110716171A (zh) | 一种基于遗传算法的极化doa联合估计方法 | |
CN110082741B (zh) | 一种基于伪数据重构的超分辨波达角估计算法 | |
CN111366892A (zh) | 一种基于神经网络Massive MIMO DOA系统及实现方法 | |
Ferrand et al. | Triplet-based wireless channel charting | |
Ma et al. | Automatic modulation classification in impulsive noise: Hyperbolic-tangent cyclic spectrum and multibranch attention shuffle network | |
Zha et al. | LT-SEI: Long-tailed specific emitter identification based on decoupled representation learning in low-resource scenarios | |
CN115685072A (zh) | 基于多分类模型的密闭腔体内部不稳定声发射源定位方法 | |
CN112116006A (zh) | 一种基于对偶空间最优的水声目标分类方法 | |
CN115983390B (zh) | 基于多天线空中计算的边缘智能推理方法及系统 | |
Yang et al. | A correlation-aware sparse Bayesian perspective for DOA estimation with off-grid sources | |
CN116861964A (zh) | 一种基于双判别器生成式对抗网络的异常数据检测方法 | |
CN115883297A (zh) | 一种基于信源参数估计的超大规模mimo混合场信道估计方法 | |
Zheng et al. | Deep learning-based DOA estimation | |
CN116304818A (zh) | 一种基于Transformer地震信号分类识别方法 | |
CN113869289B (zh) | 基于熵的多通道舰船辐射噪声特征提取方法 | |
CN114269014A (zh) | 基于域自适应网络的大规模mimo动态环境指纹定位方法 | |
Sherin et al. | GA based selection and parameter optimization for an SVM based underwater target classifier | |
Zhao et al. | Comparison of data reduction techniques based on SVM classifier and SVR performance | |
Zhai et al. | A new sense-through-foliage target recognition method based on hybrid particle swarm optimization-based wavelet twin support vector machine | |
CN117054968B (zh) | 基于线性阵列麦克风的声源定位系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |